钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统

技术领域

本发明属于建筑施工技术领域，特别涉及一种钢筋识别系统、其识别方法、以及钢筋计数验收系统。

背景技术

钢筋作为建筑工程中最常使用的建筑材料之一，种类繁多，尺寸规格各异，且使用规模庞大。现阶段，在实际工程项目中，钢筋进场数量验收工作采用分批次地人工点数的方式，一次钢筋进场数量验收工作通常需要数十个工人花费五六个小时来完成，工作内容单一且重复，且消耗大量人力，工作效率低下。此外，人工点数钢筋往往存在计数误差，无法保证验收数量结果的准确性与可靠性。尤其在面对高温、低温、台风、暴雨、暴雪等恶劣天气情况时，工作环境较差，人工点数钢筋的工作难以正常开展，同时，上述计数误差也会由于人为心理因素及情绪因素更加放大。综上，需要提出一种新的基于计算机视觉与深度学习的钢筋进场数量智能验收系统，代替人工完成此项耗时耗力的重复性工作，改进并解决目前采用传统人工计数方法完成钢筋进场数量验收工作存在的不足及问题。

发明内容

为了改进并解决目前采用传统人工计数方法完成钢筋进场数量验收工作存在的不足及问题，本发明提供一种钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统。

本发明的一种钢筋识别系统的技术方案如下：

包括钢筋图像数据集、以及钢筋识别训练模型；所述钢筋图像数据集包括训练图像数据集、以及验证图像数据集；钢筋图像样本存放于训练图像数据集或验证图像数据集中；所述钢筋识别训练模型接收钢筋图像数据集。

本发明的一种钢筋识别系统，使用时，首先对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集；然后，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集或验证图像数据集；接着，建立钢筋识别训练模型；将训练图像数据集以及验证图像数据集中的钢筋图像样本导入钢筋识别训练模型，训练图像数据集中的钢筋图像样本转换为输入张量值，验证图像数据集中的钢筋图像样本转换为目标张量值；最后，设置钢筋识别训练模型的loss值阈值、mAP值阈值、以及最大迭代次数等模型参数，并开展正式训练；训练过程中，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数等模型参数，重新训练钢筋识别训练模型。

本发明的一种钢筋识别系统，采用计算机视觉与深度学习相融合的手段进行钢筋识别，大大提高了结果的准确度。相比传统人工识别钢筋，每捆钢筋仅需单人花费几秒钟便可完成，大大提高了钢筋的识别速度。

进一步的，所述的钢筋识别系统中，所述训练图像数据集、验证图像数据集中钢筋图像样本的比例为6:4至9:1。将训练图像数据集、验证图像数据集中钢筋图像样本的比例设置为6:4至9:1，能有效提高钢筋识别训练模型的鲁棒性，适用性，使钢筋识别训练模型更加容易发生收敛。

进一步的，所述的钢筋识别系统中，所述钢筋识别训练模型的基本架构基于YOLOv4图像识别方法，包括多个卷积层及3个YOLO层。

钢筋识别训练模型基于优化后的YOLOv4模型建立的，有如下优点：

(1)采用了多种图像数据增强方法，增大了训练图像数据容量，

(2)训练图像数据库范围囊括了几乎全部现场点数钢筋的环境和场景；

(3)训练图像数据库分辨率覆盖了200*200的低分辨率到5000*5000高分辨率的全部范围；

(4)训练模型包含多个卷积层及3个YOLO层，神经网络层数多，深度广；

(5)训练模型检测框采用k-means聚类算法预先设置尺寸。

基于上述特点，基于优化后的YOLOv4模型的钢筋识别训练模型，准确性经验证大于99％，在保证一定准确率的前提下节省点数钢筋的时间。

本发明还提供一种钢筋识别方法，采用上述钢筋识别系统，技术方案如下，包括如下步骤：

S1，搜集钢筋图像样本，对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集；

S2，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集或验证图像数据集；

S3，建立钢筋识别训练模型；

S4，将训练图像数据集以及验证图像数据集中的钢筋图像样本导入钢筋识别训练模型，训练图像数据集中的钢筋图像样本转换为输入张量值，验证图像数据集中的钢筋图像样本转换为目标张量值；

S5，设置钢筋识别训练模型的loss值阈值、mAP值阈值、以及最大迭代次数，并开展正式训练；

S6，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数，重新训练钢筋识别训练模型。

本发明的一种钢筋识别方法中，loss值为损失函数值，表示训练模型的预测值与实际真实值之间的差值，数值越小，表示训练模型预测结果越接近实际；mAP值为均值平均精度，表示训练模型识别钢筋的精度，范围为0至100％，数值越大，表示训练模型识别精度越高。

本发明的一种钢筋识别方法，针对钢筋识别工作的特殊性，即待识别图像中识别物体种类单一、识别物体较小、识别数量较大这三个特点，以loss值、mAP值、及其随迭代次数增加而变化的发展曲线为判断依据，对钢筋识别训练模型进行训练，能更有效的对钢筋识别训练模型进行优化，提高钢筋识别训练模型训练效率和识别准确度。

进一步的，所述的钢筋识别方法中，S1中，对钢筋图像样本进行图像调整，得到新的钢筋图像样本。为了增加训练模型识别结果的准确性，应尽可能地扩大数据集容量。可以通过施工现场照片拍摄或查找网络图像数据库搜集钢筋图像样本。之后可采用图像旋转、亮度调节、对比度调节、清晰度调节、图像随机擦除、图像随机拼接等方式对钢筋图像样本进行图像调整，得到更多的钢筋图像样本。

进一步的，所述的钢筋识别方法中，钢筋识别训练模型还包括学习率，所述学习率为随训练迭代次数增加而调整的梯度函数；S5中，还包括对学习率进行动态修改，首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。

本发明的钢筋识别方法采用基于adam法的动态学习率控制方法，不同于以往基于经验手动调整的学习率修改策略。首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。

进一步的，所述的钢筋识别方法中，具体的，钢筋识别训练模型还包括冲量值，所述冲量值为梯度下降法下降速度的控制函数；S5中，还包括对冲量值进行修改。

进一步的，所述的钢筋识别方法中，钢筋识别训练模型还包括图像分辨率随机调整函数；S5中，还包括对图像分辨率随机调整函数进行修改。随机调整函数能对钢筋图像样本的分辨率在一定范围内进行调整，以增加钢筋识别训练模型的场景适应性。分辨率随机调整函数的调整比例一般为0.5至1.5。

进一步的，所述的钢筋识别方法中，具体的，钢筋识别训练模型还包括权重衰减值、检测框尺寸、卷积核尺寸；S5中，还包括对权重衰减值、检测框尺寸、卷积核尺寸进行修改。

本发明还提供一种钢筋计数验收系统，技术方案如下：

包括依次信号连接的图像采集模块、服务器、上述钢筋识别系统、以及钢筋计数模块。

本发明的一种钢筋计数验收系统，使用时，图像采集模块模块将获取到的目标钢筋图像发送至服务器；钢筋识别系统读取服务器中的目标钢筋图像，对目标钢筋图像中的钢筋进行标记，并输出至钢筋计数模块，由钢筋计数模块统计目标钢筋图像中钢筋的数量。

本发明的一种钢筋计数验收系统，图像采集模块可以是手机等便携式设备，工作人员仅需通过手机拍照的方式便可完成钢筋点数工作，便于现场操作，大大简化了工作流程，避免了传统人工点数方法需要依次点数每个钢筋、标记已计数钢筋并手动记录钢筋点数结果的复杂工序。

本发明的一种钢筋计数验收系统，钢筋计数的工作效率较高，每捆钢筋点数工作仅需单人花费几秒钟便可完成，与传统人工点数方法相比，大大提高了钢筋进场数量验收的效率。

另外，本发明的一种钢筋计数验收系统，采用计算机视觉与深度学习相融合的手段进行钢筋进场数量验收，大大提高了结果的准确度。

本发明的一种钢筋计数验收系统，使用时，应注意采集目标钢筋图像时的拍摄物距及拍摄角度，理论上拍摄物距不宜过大或过小，拍摄角度宜与钢筋长度方向保持平行(垂直于钢筋横截面)，应尽量满足采集图像中有且仅有待验收的全部钢筋正面图(钢筋横截面图)。同时，单次验收钢筋捆数不宜太多，捆数增大会造成智能验收系统点数误差增大。经测试，单次验收钢筋捆数宜为单捆，且不建议超过两捆。

进一步的，所述的钢筋计数验收系统中，还包括结果显示模块；所述结果显示模块与服务器信号连接。钢筋计数模块统计目标钢筋图像中钢筋的数量后，发送至结果显示模块；工作人员查看结果显示模块上的目标钢筋图像及钢筋的数量后进行核对；核对无误后，结果显示模块再将目标钢筋图像及钢筋的数量上传至服务器，完成钢筋计数验收工作。

进一步的，所述的钢筋计数验收系统中，所述服务器包括基础操作系统、CPU/GPU处理器、支持GPU加速的16G显存显卡、以及10T存储硬盘；所述图像采集模块与服务器、服务器与结果显示模块之间通过5G传输模块传输数据。服务器可以设置在云端，负责接收通过5G传输模块上传的目标钢筋图像，同时为钢筋识别系统、以及钢筋计数模块搭设部署上线运行平台，并备份每次上传的目标钢筋图像及相应的钢筋点数结果，以便现场管理人员回溯、追踪各项目、各阶段钢筋进场数量验收工作情况。

进一步的，所述的钢筋计数验收系统中，所述钢筋计数模块基于Python语言中的math模块进行搭建。钢筋计数模块基于Python语言中的math模块进行搭建，主要负责完成已识别的钢筋图像中的钢筋数量点数工作，通过接收钢筋识别模块传输来的钢筋识别结果，统计钢筋检测框的个数作为钢筋数量，输出相应数值，完成钢筋数量点数工作，并准备将钢筋点数结果通过5G传输模块下传至结果显示模块。

附图说明

图1是本发明的一种钢筋计数验收系统的示意图；

图2是本发明的一种钢筋识别系统的示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

实施例1：

参考图2，本实施例的一种钢筋识别系统1的技术方案如下：

包括钢筋图像数据集11、以及钢筋识别训练模型12；所述钢筋图像数据集11包括训练图像数据集111、以及验证图像数据集112；钢筋图像样本存放于训练图像数据集111或验证图像数据集112中；所述钢筋识别训练模型12接收钢筋图像数据集11。

本实施例的一种钢筋识别系统1，使用时，首先对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集11；然后，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集111或验证图像数据集112；接着，建立钢筋识别训练模型12；将训练图像数据集111以及验证图像数据集112中的钢筋图像样本导入钢筋识别训练模型12，训练图像数据集111中的钢筋图像样本转换为输入张量值，验证图像数据集112中的钢筋图像样本转换为目标张量值；最后，设置钢筋识别训练模型12的loss值阈值、mAP值阈值、以及最大迭代次数等模型参数，并开展正式训练；训练过程中，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型12；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数等模型参数，重新训练钢筋识别训练模型12。

本实施例的一种钢筋识别系统1，采用计算机视觉与深度学习相融合的手段进行钢筋识别，大大提高了结果的准确度。相比传统人工识别钢筋，每捆钢筋仅需单人花费几秒钟便可完成，大大提高了钢筋的识别速度。

作为较佳的实施方式，所述的钢筋识别系统中，所述训练图像数据集111、验证图像数据集112中钢筋图像样本的比例为6:4至9:1。将训练图像数据集111、验证图像数据集112中钢筋图像样本的比例设置为6:4至9:1，能有效提高钢筋识别训练模型12的鲁棒性，适用性，使钢筋识别训练模型12更加容易发生收敛。

作为较佳的实施方式，所述的钢筋识别系统中，所述钢筋识别训练模型12的基本架构基于YOLOv4图像识别方法，包括多个卷积层及3个YOLO层。

钢筋识别训练模型12基于优化后的YOLOv4模型建立的，有如下优点：

(1)采用了多种图像数据增强方法，增大了训练图像数据容量，

(2)训练图像数据库范围囊括了几乎全部现场点数钢筋的环境和场景；

(3)训练图像数据库分辨率覆盖了200*200的低分辨率到5000*5000高分辨率的全部范围；

(4)训练模型包含多个卷积层及3个YOLO层，神经网络层数多，深度广；

(5)训练模型检测框采用k-means聚类算法预先设置尺寸。

基于上述特点，基于优化后的YOLOv4模型的钢筋识别训练模型12，准确性经验证大于99％，在保证一定准确率的前提下节省点数钢筋的时间。

实施例2：

参考图2，本实施例提供一种钢筋识别方法，采用实施例1所述的钢筋识别系统1，技术方案如下，包括如下步骤：

S1，搜集钢筋图像样本，对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集11；

S2，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集111或验证图像数据集112；

S3，建立钢筋识别训练模型12；

S4，将训练图像数据集111以及验证图像数据集112中的钢筋图像样本导入钢筋识别训练模型12，训练图像数据集111中的钢筋图像样本转换为输入张量值，验证图像数据集112中的钢筋图像样本转换为目标张量值；

S5，设置钢筋识别训练模型12的loss值阈值、mAP值阈值、以及最大迭代次数，并开展正式训练；

S6，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型12；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数，重新训练钢筋识别训练模型12。

本实施例的一种钢筋识别方法中，loss值为损失函数值，表示训练模型的预测值与实际真实值之间的差值，数值越小，表示训练模型预测结果越接近实际；mAP值为均值平均精度，表示训练模型识别钢筋的精度，范围为0至100％，数值越大，表示训练模型识别精度越高。

本实施例的一种钢筋识别方法，针对钢筋识别工作的特殊性，即待识别图像中识别物体种类单一、识别物体较小、识别数量较大这三个特点，以loss值、mAP值、及其随迭代次数增加而变化的发展曲线为判断依据，对钢筋识别训练模型12进行训练，能更有效的对钢筋识别训练模型12进行优化，提高钢筋识别训练模型12训练效率和识别准确度。

作为较佳的实施方式，所述的钢筋识别方法中，S1中，对钢筋图像样本进行图像调整，得到新的钢筋图像样本。为了增加训练模型识别结果的准确性，应尽可能地扩大数据集容量。可以通过施工现场照片拍摄或查找网络图像数据库搜集钢筋图像样本。之后可采用图像旋转、亮度调节、对比度调节、清晰度调节、图像随机擦除、图像随机拼接等方式对钢筋图像样本进行图像调整，得到更多的钢筋图像样本。

作为较佳的实施方式，所述的钢筋识别方法中，钢筋识别训练模型12还包括学习率，所述学习率为随训练迭代次数增加而调整的梯度函数；S5中，还包括对学习率进行动态修改，首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。

本实施例的钢筋识别方法采用基于adam法的动态学习率控制方法，不同于以往基于经验手动调整的学习率修改策略。首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。

作为较佳的实施方式，所述的钢筋识别方法中，具体的，钢筋识别训练模型12还包括冲量值，所述冲量值为梯度下降法下降速度的控制函数；S5中，还包括对冲量值进行修改。

作为较佳的实施方式，所述的钢筋识别方法中，钢筋识别训练模型12还包括图像分辨率随机调整函数；S5中，还包括对图像分辨率随机调整函数进行修改。随机调整函数能对钢筋图像样本的分辨率在一定范围内进行调整，以增加钢筋识别训练模型12的场景适应性。分辨率随机调整函数的调整比例一般为0.5至1.5。

作为较佳的实施方式，所述的钢筋识别方法中，具体的，钢筋识别训练模型12还包括权重衰减值、检测框尺寸、卷积核尺寸；S5中，还包括对权重衰减值、检测框尺寸、卷积核尺寸进行修改。

实施例3：

参考图1，本实施例提供一种钢筋计数验收系统，技术方案如下：

包括依次信号连接的图像采集模块2、服务器3、实施例1所述的钢筋识别系统1、以及钢筋计数模块4。

本实施例的一种钢筋计数验收系统，使用时，图像采集模块2模块将获取到的目标钢筋图像发送至服务器3；钢筋识别系统1读取服务器3中的目标钢筋图像，对目标钢筋图像中的钢筋进行标记，并输出至钢筋计数模块，由钢筋计数模块4统计目标钢筋图像中钢筋的数量。

本实施例的一种钢筋计数验收系统，图像采集模块2可以是手机等便携式设备，工作人员仅需通过手机拍照的方式便可完成钢筋点数工作，便于现场操作，大大简化了工作流程，避免了传统人工点数方法需要依次点数每个钢筋、标记已计数钢筋并手动记录钢筋点数结果的复杂工序。

本实施例的一种钢筋计数验收系统，钢筋计数的工作效率较高，每捆钢筋点数工作仅需单人花费几秒钟便可完成，与传统人工点数方法相比，大大提高了钢筋进场数量验收的效率。

另外，本实施例的一种钢筋计数验收系统，采用计算机视觉与深度学习相融合的手段进行钢筋进场数量验收，大大提高了结果的准确度。

本实施例的一种钢筋计数验收系统，使用时，应注意采集目标钢筋图像时的拍摄物距及拍摄角度，理论上拍摄物距不宜过大或过小，拍摄角度宜与钢筋长度方向保持平行(垂直于钢筋横截面)，应尽量满足采集图像中有且仅有待验收的全部钢筋正面图(钢筋横截面图)。同时，单次验收钢筋捆数不宜太多，捆数增大会造成智能验收系统点数误差增大。经测试，单次验收钢筋捆数宜为单捆，且不建议超过两捆。

作为较佳的实施方式，所述的钢筋计数验收系统中，还包括结果显示模块5；所述结果显示模块5与服务器3信号连接。钢筋计数模块4统计目标钢筋图像中钢筋的数量后，发送至结果显示模块5；工作人员查看结果显示模块5上的目标钢筋图像及钢筋的数量后进行核对；核对无误后，结果显示模块5再将目标钢筋图像及钢筋的数量上传至服务器3，完成钢筋计数验收工作。

作为较佳的实施方式，所述的钢筋计数验收系统中，所述服务器3包括基础操作系统、CPU/GPU处理器、支持GPU加速的16G显存显卡、以及10T存储硬盘；所述图像采集模块2与服务器3、服务器3与结果显示模块5之间通过5G传输模块传输数据。服务器3可以设置在云端，负责接收通过5G传输模块上传的目标钢筋图像，同时为钢筋识别系统1、以及钢筋计数模块4搭设部署上线运行平台，并备份每次上传的目标钢筋图像及相应的钢筋点数结果，以便现场管理人员回溯、追踪各项目、各阶段钢筋进场数量验收工作情况。

作为较佳的实施方式，所述的钢筋计数验收系统中，所述钢筋计数模块4基于Python语言中的math模块进行搭建。钢筋计数模块4基于Python语言中的math模块进行搭建，主要负责完成已识别的钢筋图像中的钢筋数量点数工作，通过接收钢筋识别模块传输来的钢筋识别结果，统计钢筋检测框的个数作为钢筋数量，输出相应数值，完成钢筋数量点数工作，并准备将钢筋点数结果通过5G传输模块下传至结果显示模块。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。